Reconhecimento facial utilizando variações da DCT e PCA associadas aos classificadores GMM, Naïve Bayes e KNN

• Ano de defesa: 2022
• Autor(a) principal: Sousa, Giselly Soares De
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=108305

O reconhecimento facial é a biometria mais estudada no últimos anos, com aplicações em diversos campos tais como reconhecimento de padrões, processamento de sinal e visão computacional. Há diversos fatores que dificultam a obtenção de uma acurácia ótima: ruídos, expressões faciais, presença de óculos, barba e a variação de iluminação. A fim de lidar com um dos principais fatores da redução da acurácia, a variação de iluminação, este trabalho realiza um reconhecimento facial utilizando variações de métodos de extração de características associados a classificadores populares nas literaturas de reconhecimento de padrões. A extração de características das faces foram realizadas através dos métodos Análise de Componentes Principais (PCA), Transformada Discreta do Cosseno (DCT), e as variações DCT-mod, DCT-mod-delta e DCT-mod2. Para a classificação, foram utilizados os classificadores Modelo de Misturas Gaussianas (GMM), Naïve Bayes e K-Vizinhos mais Próximos (K-NN). O desempenho dos algoritmos foi analisado utilizando a base de imagem VidTIMIT, que possui imagens contendo expressões e poses, e, para analisar o desempenho dos métodos em imagens com grandes variações de iluminação, foram aplicadas nas mesmas várias iluminações artificiais. Os resultados mostraram que os melhores métodos de extração de características foram o DCT-mod-delta e DCT-mod2 em todos os classificadores, sendo o método DCT-mod-delta o que obteve a melhor acurácia quando associado ao classificador K-NN utilizando a medida de correlação, com 97% em imagens sem nenhuma variação de iluminação e com 92,6% em imagens com variações de iluminação extrema.